Desde el principio de los tiempos, la majestuosidad del cielo ha impresionado a la humanidad al grado que nos invita a reflexionar sobre nuestra existencia. ¿Quiénes somos? ¿De dónde venimos? ¿Estamos solos en el universo?
Con el paso del tiempo nace la astronomía y los seres humanos empezamos a hacer observaciones sistemáticas y realizar mediciones cada vez más precisas, a través de instrumentos que se han vuelto cada vez más sofisticados. De las observaciones de Tycho Brahe, en el siglo XVI, pasamos por la invención del telescopio por Galileo, hasta colocar telescopios en el espacio y grandes arreglos de radiotelescopios en Tierra.
Estas observaciones nos han hecho entender mucho más sobre el universo y, sin embargo, todavía hay grandes preguntas sin respuesta. Por ejemplo, ¿Cómo se formaron las primeras estrellas? ¿Por qué se forman los cúmulos de galaxias? ¿Hay vida en otros planetas?
Los astrónomos están tratando de responder a estas preguntas, utilizando algunos de los instrumentos científicos más sofisticados del mundo. Pero estos instrumentos generan enormes cantidades de datos que se vuelven difíciles de manejar, cuando no imposibles, si quienes los procesan son seres humanos.
Por ejemplo, el Square Kilometer Array (SKA) es un proyecto de radiotelescopio intergubernamental que se propone construir en el futuro en Australia y Sudáfrica. De llegarse a construir, cuando entre en operación generaría diariamente más de un exabyte (10^18) de datos al día. En comparación, actualmente (diciembre de 2019) Google procesa solamente 20 Petabytes (10^15) de datos al día.
Es por eso que ahora las observatorios astronómicos contienen instalaciones de supercómputo, ingenieros de software y administradores de bases de datos y emplean técnicas de inteligencia artificial para procesar las grandes cantidades de información que generan los instrumentos, ya que esta es la única manera que permite analizarlos.
Entre las aplicaciones que emplean inteligencia artificial en astronomía son las siguientes: Estimación de los desplazamientos hacia el rojo; clasificación de galaxias, detección de lentes gravitacionales y detección de cúmulos de galaxias, entre otras. Estas aplicaciones se describen a continuación:
Estimación del corrimiento hacia el rojo.
El corrimiento hacia el rojo es una técnica que sirve para estimar la velocidad a la que una galaxia se aleja de la Tierra y se basa en el efecto Doppler predicho por la Teoría Especial de la Relatividad, que consiste en la disminución de la frecuencia de la luz que observamos de los objetos que se alejan de nosotros. La medición del corrimiento hacia el rojo se basa en la detección del espectro de elementos conocidos como el hidrógeno y hacerlo forma manual es tedioso y costoso. Es por esto que los astrónomos han desarrollado métodos de aprendizaje profundo que extraen automáticamente el desplazamiento al rojo directamente de los conjuntos de datos disponibles. En la Fig. 1 se muestra el concepto del corrimiento hacia el rojo.
Clasificación de galaxias
La clasificación de galaxias es importante porque ofrece pistas sobre el origen del universo. Los astrónomos han concebido distintos tipos de clasificación que dividen a las galaxias en grupos basados en su apariencia visual. Uno de estos tipos es el de Hubble que divide a las galaxias en cuatro grupos: galaxias elípticas, espirales, espirales barradas, e irregulares. En la fig. 2 se muestran ejemplos de estos tipos de galaxias.
Fig. 2 Clasificación de galaxias de Hubble.
La clasificación de galaxias se hace ahora empleando técnicas de aprendizaje profundo y logra menores niveles de error que la clasificación realizada por humanos.
Detección de lentes gravitacionales
Las lentes gravitacionales son consecuencia de la Teoría de la Relatividad General de Einstein y se producen por la curvatura del espacio alrededor de cuerpos muy masivos como los agujeros negros. Esta curvatura desvía la luz alrededor del cuerpo masivo y crea un efecto de lente que permite detectar objetos lejanos que aparecen concentrados alrededor de un aro con centro en el cuerpo masivo. Las lentes gravitacionales son objetos muy raros, por lo que es necesario escudriñar grandes áreas del cielo para detectarlos y hacerlo de forma manual es difícil. Las técnicas de aprendizaje automático como las máquinas de vectores de soporte (SVM) y redes neuronales convolucionales (CNN) han dado muy buenos resultados para su detección. En la Fig. 3 se muestra una lente gravitacional.
Fig. 3 Lente gravitacional
Detección de cúmulos de galaxias
Los cúmulos de galaxias son estructuras de cientos o miles de galaxias con diferentes orígenes y características que están unidas por gravedad con masas típicas que van desde 10^14 hasta 10^15 masas solares. Estas galaxias están contenidas dentro de un gas caliente con una temperatura del orden de los 10 millones de grados Kelvin. El estudio de estos objetos es importante porque todavía no se comprenden todos los procesos que ocurren en ellos. Para la detección de los cúmulos de galaxias se utilizan técnicas de aprendizaje automático, tanto de aprendizaje supervisado como no supervisado de datos de diferentes longitudes de onda. La Fig. 4 muestra un cúmulo de galaxias.
Fig. 4. Cúmulo de galaxias SDSS J1044 +4112
Estos son sólo algunos de los problemas astronómicos que emplean técnicas de inteligencia artificial para resolverse. Los astrónomos cada vez emplean estas técnicas a una gran variedad de problemas.
¿Pero cómo funciona todo esto?
Las técnicas de inteligencia artificial funcionan a partir de un cambio de paradigma en el uso de las computadoras. En el enfoque tradicional, la solución de problemas a partir de computadoras requiere de conocer de manera explícita cómo resolver el problema y programar a las computadoras para hacerlo. Es decir, a partir de un conjunto de datos de entrada, utilizamos reglas precisas para transformarlos en resultados, como lo podemos ver en la Fig. 5. Esto puede ser muy práctico cuando contamos con un modelo preciso para resolver el problema y lo podemos codificar en una secuencia de cálculos numéricos y decisiones, pero puede no ser muy útil cuando las reglas para resolver un problema no son muy claras o pueden ser muy complejas.
Por ejemplo, imaginemos que queremos clasificar los distintos tipos de galaxias. Sí queremos resolver el problema de manera tradicional, tendríamos que generar reglas precisas para clasificarlas basadas en su geometría y esto podría ser muy tedioso.
Fig. 5. Enfoque de programación tradicional
En el enfoque de aprendizaje máquina, una técnica de inteligencia artificial, no necesitamos conocer cómo resolver el problema de manera explícita, sino que alimentamos a la computadora con ejemplos de lo que queremos obtener y a partir de esos ejemplos entrenamos a la máquina obtener una función llamada modelo predictivo que toma en cuenta todos los ejemplos y crea una generalización, de manera que cuando le presentamos casos no conocidos previamente los clasifica con un cierto nivel de incertidumbre.
En este caso, alimentamos a la computadora con datos conocidos (imágenes de galaxias) y los resultados que queremos obtener (su clasificación), para entrenarla y como resultado la computadora inferirá las reglas de clasificación, como se muestra en la Fig. 6. Una vez que contamos con esas reglas, implícitas en el modelo predictivo, podremos presentar datos nuevos (galaxias por clasificar), para que la máquina las clasifique.
Fig. 6. Enfoque de aprendizaje de máquina
El enfoque del aprendizaje de máquina es muy parecido al que empleamos los humanos para aprender. Por ejemplo, aprendemos a reconocer una manzana después de ver muchos ejemplos de manzanas de diferentes tamaños, texturas, colores, formas y posiciones, de manera que cuando ya hemos aprendido a identificar manzanas, podemos reconocer manzanas distintas a las que utilizamos para aprender. Desde luego, ningún aprendizaje es infalible, y los humanos y las máquinas podemos equivocarnos. Por ejemplo, en un momento dado y bajo ciertas circunstancias, como condiciones especiales de iluminación, un humano podría confundir una manzana por un durazno. Así, el aprendizaje de máquina, tampoco garantiza un cien por por ciento de certeza y sólo aspira a realizar una tarea con un cierto nivel de confianza.
El campo del aprendizaje de máquina es fascinante y una discusión más técnica de cómo funciona está fuera del alcance de este artículo. Afortunadamente en la actualidad hay muchas fuentes de información que permiten, a quien se lo proponga, dominar este campo y volverse experto.
Así, la revolución que están causando las técnicas de inteligencia artificial en la astronomía, está al alcance de todos, por lo que invitamos al lector interesado a que se documente y explore este cada vez más importante campo del conocimiento.
